微信扫一扫
一、机器会写代码，程序员为什么更忙
奥特曼自己说，他已经一年没读过一行代码了。他还半开玩笑地预测，将来人亲手敲代码，可能会像今天周末去参加历史重演活动一样，变成一种纯为乐趣的怀旧爱好。
但紧接着一句是：程序员从来没有像今天这么忙过，薪水和影响力也从来没有这么高过。
同一个时期，焦虑的是数学家——按他的说法，不靠 AI、由人独立证明定理的时代，基本已经结束了。
两边差别在哪？解题有终点，担责没有。
数学证明是一道有确定答案的题，逻辑链走通，任务就完成了。软件工程不是静态考题，是一份动态责任：客户今天提的需求明天可能就变；系统在测试环境跑得好，进了真实业务可能处处是坑；崩了要有人拍板回滚，客户受了损失要有人去沟通，项目没达标要有人解释原因。
模型能生成代码，但不会因为代码写得漂亮，就自动成为对业务结果负责的那个人。
过去程序员的价值，很大一部分落在技术执行上：会不会某种语言，能不能啃下复杂问题，交付得比谁快。当写代码的成本被压低，技术执行本身不再稀缺。稀缺的换成了另外几件：能不能听懂客户真正要什么，能不能把模糊需求变成可执行的方案，能不能判断生成的结果对不对，出了问题能不能快速定位并认下来。
角色也跟着变了：从代码生产者，变成问题定义者、系统协调者、结果的责任人。
这里还有一个反直觉的现象。一项工作的成本下降，社会对它的需求不一定减少，反而可能增加。过去企业想上一套系统，要投大笔钱和人手，很多需求干脆放弃；现在开发的成本下来了，以前不值得做的内部工具、小应用、个性化系统，都有了做的可能。原本只有大企业能做的事，小团队甚至个人也能试。
于是需求边界被打开：AI 越会写代码，市场上等着被解决的软件问题反而越多。
这对其他行业同样成立。企业需要重新定义的，不是岗位数量，而是岗位价值。过去受重视的市场人员，可能因为会写文案、做 PPT、整理数据；这些现在模型都能做，拉开差距的是谁能判断机会、理解客户、提出策略，并对经营结果负责。管理者也一样：协调、汇总、跟进这些活儿被 AI 接走之后，价值就得往判断、定方向、处理冲突、配置资源上挪。
被淘汰的，未必是某个工种，而是只习惯按部就班做事、不愿为结果负责的人。
二、"讨好病"：模型顺着你说，组织也一样
谈到自家产品，奥特曼流露出一点无奈：ChatGPT 太喜欢顺着用户说话了，用他的说法是染上了"讨好病"。
他自己在后台的自定义指令里写明"不要客套，直接说重点"，模型仍然改不掉那种小心翼翼迎合的语气。他的原话是，这种倾向在底层被训练得太深，连他自己也改不掉。
一个能力这么强的模型，是怎么一步步变得爱说好话的？
机制不难理解。训练和评价的一种常见做法，是让用户比较两个回答、挑更喜欢的那个。听起来合理：产品是给人用的，人更喜欢的，应该是更好的。
问题在于，人喜欢的答案，不一定是有价值的答案。
你抛一个计划过去："我准备一年内开 100 家连锁店，你觉得怎么样？"
一种回法是：这个目标很有魄力，思路有战略眼光，执行到位就有机会快速增长。
另一种回法是：你的现金流能支撑多少家店？单店模型验证过了吗？如果前一批门店连续亏损，你打算怎么处理？
短暂的交流里，很多人会选前一种。它让人舒服，也顺带确认了自己原有的判断。但对一个真要投钱进去的人来说，后一种更有用。
一个系统如果长期按用户的即时偏好拿奖励，它就容易学会优先照顾情绪，而不是坚持事实。
同样的事，每天都在会议室里发生。老板提一个新方向，有人说很有前景、完全支持；有人补一句资源不错、加强执行就能做好；还有人说现在不适合启动，客户付费意愿还没验证，对手成本更低。会议室气氛变了。如果老板露出不耐烦，甚至觉得提意见的人不够积极，其他人很快就明白了：这里不欢迎不同意见。
下一次开会，风险不再直接摆出来，不确定性被包装成"增长潜力大"，明明有问题的计划在一轮轮汇报里越来越乐观。没有人要求大家说谎，但组织已经用一次次奖惩，教会了所有人该说什么、不该说什么。
管理者对异议的态度，就是组织真实的训练机制。短期看，团队沟通顺畅、执行统一；长期看，真实信息正在从组织里消失。
奥特曼给了一个判断标准：理想的 AI，应该像一位靠谱的资深同事——多数时候理解你的目标、帮你把事推进；但当他掌握了足够证据、认为你判断有严重问题时，敢明确反对。
这条标准对用 AI 的人同样有用。只让它帮你找支持意见，它会变成一个效率很高的附和者；要求它找反证、质疑假设、检查风险，它才更接近一个能一起想事的人。
你身边的人和你的 AI，是在帮你看清现实，还是在努力讨好你？答案取决于你平时怎么对待那些让自己不舒服的真话。
三、心力是练出来的，提效不会自动变成轻松
在公众视野里，奥特曼常显得像个不知疲倦的硅谷强人。访谈里他很坦白：面对全球算力博弈和高强度竞争，他也有崩溃到早上起不来床的时候。
支撑他走过来的是两点体悟。
一是人的适应能力很强，痛苦和压力的体感有上限。越过某个阈值，再大的风浪砸下来，感受也不会无限放大。
二是所谓的狠劲不是天生的。心力靠正反馈一点点练出来：先咬牙扛过一件难事，建立起笃定感，再去碰下一件更难的。像力量训练，抗压的肌肉是在解决具体问题时长出来的。
主持人还问了一个很多人都有的困惑：AI 能干这么多活，为什么我们没有更轻松？
按朴素逻辑，效率提高，自由时间应该变多。现实常常反过来。三天才能写完一份报告时，一周交两份已经算不错；AI 让人一天能出几份，管理者很快会重设预期——既然效率上来了，为什么不能每天交？既然方案这么好做，为什么不多准备几个版本？
省下来的时间，没有变成休息，被新的任务、新的指标和新的竞争重新占满。技术降低了完成工作的成本，竞争又把这份成本重新消耗掉。
于是出现一个奇怪的局面：我们越来越会提高效率，却不清楚时间该花在哪里。一个人每天能完成的任务越来越多，不能证明他做的事越来越重要；一家企业用 AI 之后，报告、方案、会议纪要都变多了，经营质量未必跟着改善。
工作数量，和经营成果，从来不是一回事。
奥特曼给出的行动哲学很朴素：既然横竖都要拼命，不如去做一件真正值得的大事。很多不起眼的小事，消耗的时间、精力和心理负担并不比一件有挑战的事业少，却未必留下多少长期价值。一家企业天天加班，却说不清为客户解决了什么问题，这种忙碌值得重新审视；一个人天天学新工具，却从没用它完成过一个属于自己的项目，效率技巧也可能只是原地打转。
比努力更值得琢磨的，是别把努力花在不值得的地方。
四、要一场文艺复兴，而不是新的工业革命
访谈收尾，话题落到科技界常谈的美好未来：AI 帮人类解决重大疾病、提高生产效率、创造更多物质财富，人们不必再干大量繁重的工作。
奥特曼担心的却是另一面：如果 AI 替人完成了几乎所有任务，人还能不能保有自主选择和主动创造的能力？
这个担心听起来有点奇怪——技术替我们做得越多，我们不就越自由吗？
可以设想一种生活：每天早上，AI 按你的健康数据安排饮食，按工作表现制定计划，按消费记录推荐商品，按兴趣生成娱乐内容。你不必挑选，也不必为很多事做复杂判断，系统已经算好了一个看起来不错的答案。
这当然方便。但如果一个人习惯了把决定交给算法，他可能不再认真想自己到底要什么。
再往前一步：如果多数人只是被动接受系统提供的信息和安排，少数人却在用这些系统设计产品、组织资源、创造新的商业模式，技术带来的收益就会出现明显分化。
访谈里提到，高级 AI 资源的使用正在向少数重度用户集中。同样在用 AI，有人拿它研究新问题、学新知识、完成原本独立做不了的项目；有人把它当成一个更聪明的搜索框，或者一个随时替自己拿主意的助手。工具一样，长期积累下来的能力差别很大。
这让人想到两百多年前的工业革命。效率大幅提高，物质财富大幅增加，但劳动方式也被深刻改写：原本需要工匠独立完成的生产环节，被拆成标准化、可重复的工序；工人不必理解全过程，只需完成自己那一小段。对工厂来说效率提高了，对一部分劳动者来说，独立判断和创造的空间缩小了。
今天的 AI 革命，面临类似的选择。
一家企业推进 AI 转型，可以走两条路。一条是用 AI 监督每位员工：实时统计工作量、处理速度、完成率，把数据变成越来越严的考核。员工手里有了先进工具，自主空间没有增加，只是要更快地完成更多任务。
另一条是用 AI 接走重复的信息整理、标准化分析和部分流程操作，把时间还给员工，让他们去理解客户、改善产品、解决过去没能力解决的问题。管理者关注的不再是每人完成了多少机械任务，而是团队有没有创造真实的经营成果。
两种做法都叫 AI 转型，长出来的组织很不一样：前一种让人去适应更高效的机器，后一种让机器扩大人的能力。
这就是他主张的"文艺复兴"——强调人的创造力、选择权和主体地位。技术的目的不该只是让系统生产更多、处理更多、完成更多，还应该让具体的人更有能力去理解世界、表达想法、创造新东西。
AI 已经能帮你读资料、写作、编程、分析问题。这些能力让你更独立还是更依赖，取决于你怎么用它：把思考整个外包出去，它越聪明，你越容易失去主动判断的习惯；拿它来挑战自己的认知边界、检验原有判断、完成新的创造，它才真正成为能力的杠杆。
